План на курса

Въведение

  • Изкуствени невронни мрежи срещу алгоритми, базирани на дърво на решенията

Преглед на функциите на XGBoost

  • Elements на алгоритъм за градиентно усилване
  • Съсредоточете се върху изчислителната скорост и производителността на модела
  • XGBoost срещу логистична регресия, Random Forest и стандартно градиентно усилване

Еволюцията на дървовидните алгоритми

  • Дървета на решенията, пакетиране, Random Forest, усилване, градиентно усилване
  • Оптимизация на системата
  • Алгоритмични подобрения

Подготовка на околната среда

  • Инсталиране на SciPy и scikit-learn

Създаване на XGBoost модел

  • Изтегляне на набор от данни
  • Решаване на общ проблем с класификацията
  • Обучение на модела XGBoost за класификация
  • Решете обща регресионна задача

Мониторинг на ефективността

  • Оценяване и отчитане на изпълнението
  • Ранно спиране

Изчертаване на функции по важност

  • Изчисляване на важността на характеристиките
  • Решаване кои входни променливи да се запазят или отхвърлят

Конфигуриране на градиентно усилване

  • Прегледайте кривите на обучение за набори от данни за обучение и валидиране
  • Регулиране на скоростта на обучение
  • Регулиране на броя на дърветата

Хиперпараметрична настройка

  • Подобряване на производителността на XGBoost модел
  • Проектиране на контролиран експеримент за настройка на хиперпараметри
  • Търсене на комбинации от параметри

Създаване на тръбопровод

  • Включване на XGBoost модел в тръбопровод за машинно обучение от край до край
  • Настройка на хиперпараметри в тръбопровода
  • Разширени техники за предварителна обработка

Отстраняване на неизправности

Обобщение и заключение

Изисквания

  • Опит в писането на модели за машинно обучение

Публика

  • Учени по данни
  • Инженери по машинно обучение
 14 Часа

Брой участници


Цена за участник

Отворените курсове за обучение изискват 5+ участници.

Upcoming Courses

Свързани Kурсове

AdaBoost Python for Machine Learning

 14 Часа

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни и софтуерни инженери, които желаят да използват AdaBoost за изграждане на усилващи алгоритми за машинно обучение с Python.

До края на това обучение участниците ще могат:

  • Настройте необходимата среда за разработка, за да започнете изграждането на модели за машинно обучение с AdaBoost.
  • Разберете подхода за обучение в ансамбъл и как да приложите адаптивно усилване.
  • Научете как да изграждате AdaBoost модели за подобряване на алгоритмите за машинно обучение в Python.
  • Използвайте настройка на хиперпараметър, за да увеличите точността и производителността на AdaBoost модели.
Read more...

Machine Learning with Random Forest

 14 Часа

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни и софтуерни инженери, които желаят да използват Random Forest за изграждане на алгоритми за машинно обучение за големи набори от данни.

До края на това обучение участниците ще могат:

  • Настройте необходимата среда за разработка, за да започнете да изграждате модели за машинно обучение с Random forest.
  • Разберете предимствата на Random Forest и как да го приложите, за да разрешите проблеми с класификацията и регресията.
  • Научете как да боравите с големи набори от данни и да интерпретирате множество дървета на решения в Random Forest.
  • Оценете и оптимизирайте производителността на модела за машинно обучение чрез настройка на хиперпараметрите.
Read more...

LightGBM for Machine Learning

 21 Часа

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към начинаещи до средно ниво разработчици и учени по данни, които желаят да научат основите на LightGBM и да изследват напреднали техники.

До края на това обучение участниците ще могат:

  • Инсталирайте и конфигурирайте LightGBM.
  • Разберете теорията зад усилването на градиента и алгоритмите за дърво на решенията
  • Използвайте LightGBM за основни и разширени задачи за машинно обучение.
  • Внедрете усъвършенствани техники като инженерство на функции, настройка на хиперпараметри и интерпретация на модела.
  • Интегрирайте LightGBM с други рамки за машинно обучение.
  • Отстраняване на често срещани проблеми в LightGBM.
Read more...